Klasifikasi Lahan Pertanian Jagung Menggunakan Machine Learning Berdasarkan Data Citra Landsat-8

Abstract

Jagung merupakan salah satu komoditas pertanian yang strategis. Penyediaan data statistik tanaman jagung yang tepat waktu dan berkualitas memegang peranan yang penting dalam mendukung para pembuat kebijakan di Indonesia. Salah satu data strategis yang dibutuhkan ialah data luas panen jagung. Badan Pusat Statistik (BPS) telah berupaya memperbaiki kualitas data luas panen jagung melalui melalui survei Kerangka Sampel Area (KSA) dengan mengamati kondisi tutupan lahan titik sampel setiap bulan. KSA memiliki kualitas estimasi yang tinggi, namun memiliki kekurangan dari sisi biaya yang tinggi. Penelitian ini menawarkan metode alternatif untuk membantu dalam mengatasi keterbatasan KSA dengan memanfaatkan data penginderaan jauh satelit Landsat-8 dan menggunakan teknik machine learning untuk klasifikasi tutupan lahan jagung. Penelitian ini bertujuan untuk mendapatkan model terbaik dalam melakukan identifikasi lahan pertanian jagung dan klasifikasi fase pertumbuhan jagung, serta melakukan pemetaan lahan potensi pertanian jagung berdasarkan model terbaik. Data yang digunakan untuk membangun model ialah data citra Landsat-8 periode Januari 2019 sampai Desember 2019, serta data hasil KSA 2019 di Kabupaten Jember, Tuban, dan Sumenep. Fitur pemodelan yang diujicobakan ialah sebanyak 300 fitur yang diturunkan dari 10 indeks spektral dan 15 normalisasi band. Metode machine learning yang digunakan yaitu random forest dan SVM dengan teknik penyeimbangan data SMOTE. Hasil penelitian menunjukkan bahwa pemodelan dua tahap klasifikasi tanaman jagung menghasilkan model random forest dengan metode SMOTE sebagai model terbaik. Pemodelan tahap pertama yang mengidentifikasi lahan pertanian jagung memperoleh rataan nilai akurasi dan Kappa sebesar 80,76% dan 65,25%. Sedangkan pemodelan tahap kedua yang mengklasifikasikan lima fase pertumbuhan jagung memperoleh rataan nilai akurasi dan Kappa sebesar 69,39% dan 59,37%. Hal ini menunjukkan bahwa membedakan lahan pertanian jagung dari lahan lainnya lebih mudah dibandingkan membedakan lahan jagung berdasarkan fase pertumbuhannya. Kemiripan pola indeks spektral antar fase tumbuh menyebabkan kesulitan membedakan kelas fase pertumbuhan jagung. Pengaplikasian model dalam mengklasifikasikan tutupan lahan dijadikan dasar dalam melakukan pemetaan lahan potensi pertanian jagung di Kabupaten Tuban. Terdapat lima prediksi potensi lahan jagung yang diusulkan pada penelitian ini, yaitu lahan yang berpotensi tinggi, berpotensi sedang, berpotensi rendah, berpotensi sangat rendah, dan lahan yang tidak berpotensi sebagai lahan pertanian jagung. Hasil menunjukkan bahwa sekitar 72,301% lahan di Kabupaten Tuban diprediksi sebagai lahan berpotensi tinggi hingga sangat rendah, 27,690% diprediksi tidak berpotensi jagung, sedangkan sisanya tidak terdapat informasi. Hasil validasi menggunakan titik subsegmen KSA 2019 menunjukkan bahwa sebanyak 94,73% titik dapat diprediksi dengan benar sebagai lahan potensi jagung.

Maize is one of the strategic agricultural commodities. The timely and quality of the maize statistics data plays an essential role in assisting policymakers in Indonesia. One of the strategic data is data on maize harvested area. Statistics Indonesia (BPS) has attempted to improve the quality of data on maize harvested area through the area sampling frame survey (Kerangka Sampel Area/KSA) by observing the land cover at sample points monthly. KSA has high estimation quality but has disadvantages in terms of high costs. This study offers an alternative method to overcome the limitations of KSA by utilizing remote sensing data from the Landsat-8 satellite and using machine learning techniques for maize land cover classification. This study aims to obtain the best model for identifying maize fields and classifying maize growth phases and mapping maize potential land based on the best model. The data used for modeling is Landsat-8 imagery data for the period of January 2019 to December 2019, and data from KSA survey 2019 in Jember, Tuban, and Sumenep Regencies. The basic features were 300 features obtained from 10 spectral indices and 15 normalized bands. Machine learning methods used are random forest and SVM with SMOTE data balancing techniques. The study results showed that the random forest model with the SMOTE technique was the best model in the two-stage modeling of maize crops classification. The first stage of modeling, which identified maize fields, had an accuracy of 80.76 percent and a Kappa value of 65.25 percent, respectively. The second stage of modeling, which classified the five phases of maize growth, had an average accuracy of 69.39 percent and a Kappa value of 59.37 percent, respectively. It demonstrates that separating maize fields from other fields is more convenient than separating maize fields based on the maize growth phase. The similarity of the spectral index pattern between the growing phases makes it more difficult to distinguish the class of maize growth phases. The best model is applied to classify land cover in Tuban Regency in 2020. The results are then used to map the potential land for maize farming in Tuban Regency. There are five predictions of potential maize fields proposed in this study, namely land with high potential, land with medium potential, land with low potential, land with very low potential, and land that has no potential for maize farming. The results show that about 72.301% of land in Tuban Regency is predicted as land with high potential to land with very low potential, 27.690% is predicted not to have maize potential, while the rest there is no information. The validation results using sub-segment points from the KSA 2019 survey show that as many as 94.73% of the points can be correctly predicted as potential maize fields.